import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

Classification

# Cargar el dataset
df_class = pd.read_csv("../data/classification.csv")

# Dimensiones del dataset
df_class.shape

(1500, 16)

df_class.dtypes

X1     float64
X2     float64
X3     float64
X4     float64
X5     float64
X6     float64
X7     float64
X8     float64
X9     float64
X10    float64
X11    float64
X12    float64
X13    float64
X14    float64
X15    float64
Y        int64
dtype: object

# Primeras filas
df_class.head()

	X1	X2	X3	X4	X5	X6	X7	X8	X9	X10	X11	X12	X13	X14	X15	Y
0	-2.388741	6.221087	3.442447	1.273807	0.912272	8.908027	8.441999	-2.607863	-7.539959	5.810530	-6.960356	-2.460638	-9.276179	-4.184623	-8.896234	2
1	-6.012792	-9.884413	-1.590610	4.999943	0.247758	-1.197048	-10.939272	1.533927	7.638279	6.033323	6.045052	-7.453784	8.672267	7.474841	-6.603927	0
2	2.270829	-8.849332	-6.619179	-2.861520	-6.720253	5.715418	6.493857	-4.429523	-3.821490	-6.438497	-8.818146	3.422536	3.376605	-8.850959	-0.717626	1
3	-7.092421	-10.254081	-0.907321	3.712683	-0.567676	0.254027	-10.135377	-0.412888	8.421732	6.706882	4.189576	-7.909424	8.303048	8.711827	-6.575260	0
4	-2.246293	7.617936	3.580218	2.412760	3.881735	8.096439	8.372886	-4.655989	-4.807351	5.980022	-9.098483	-2.709957	-9.063194	-4.737577	-8.630724	2

# Información del DataFrame
df_class.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1500 entries, 0 to 1499
Data columns (total 16 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   X1      1500 non-null   float64
 1   X2      1497 non-null   float64
 2   X3      1500 non-null   float64
 3   X4      1497 non-null   float64
 4   X5      1499 non-null   float64
 5   X6      1500 non-null   float64
 6   X7      1499 non-null   float64
 7   X8      1499 non-null   float64
 8   X9      1500 non-null   float64
 9   X10     1498 non-null   float64
 10  X11     1498 non-null   float64
 11  X12     1499 non-null   float64
 12  X13     1499 non-null   float64
 13  X14     1500 non-null   float64
 14  X15     1500 non-null   float64
 15  Y       1500 non-null   int64  
dtypes: float64(15), int64(1)
memory usage: 187.6 KB

# Estadísticas descriptivas (numéricas)
df_class.describe()

	X1	X2	X3	X4	X5	X6	X7	X8	X9	X10	X11	X12	X13	X14	X15	Y
count	1500.000000	1497.000000	1500.000000	1497.000000	1499.000000	1500.000000	1499.000000	1499.000000	1500.000000	1498.000000	1498.000000	1499.000000	1499.000000	1500.000000	1500.000000	1500.000000
mean	-1.883910	-4.075099	-1.382158	0.920043	-2.471415	4.634421	2.112540	-2.174120	0.030046	1.693476	-4.200176	-2.092793	0.364311	-1.789200	-5.253161	1.000000
std	3.834396	7.897076	5.051711	3.539492	3.470882	3.955879	8.510537	1.729567	6.403340	6.744790	6.244312	5.019266	6.929017	6.713716	3.604286	0.816769
min	-9.028149	-13.311122	-10.556390	-6.713349	-10.050322	-3.461197	-12.871957	-5.879455	-8.092116	-10.879760	-11.958360	-11.674289	-11.888570	-11.886751	-11.533303	0.000000
25%	-5.695571	-9.919480	-7.157683	-2.919740	-6.301859	0.371108	-8.982112	-3.523258	-4.819111	-7.075972	-8.866134	-7.156965	-8.045253	-8.207881	-8.090071	0.000000
50%	-1.986221	-8.899808	-0.788744	2.032352	-1.602947	5.129056	6.295880	-2.547017	-3.543957	5.560343	-7.848457	-2.642599	1.913803	-3.520108	-6.762037	1.000000
75%	1.998095	6.259801	3.629647	3.778093	0.507027	8.334606	9.074141	-0.788418	8.205810	6.782746	3.801478	3.464049	7.215220	6.430320	-1.055850	2.000000
max	6.040819	11.162159	7.478247	7.514823	3.915434	12.017239	12.307936	3.351869	12.243760	9.963494	7.883623	7.369420	10.548179	10.408096	2.208405	2.000000

# Resumen de valores faltantes
missing_summary = df_class.isnull().sum().to_frame(name="n_missing")
missing_summary["pct_missing"] = missing_summary["n_missing"] / len(df_class) * 100
print("\nResumen de valores faltantes:")
missing_summary

Resumen de valores faltantes:

	n_missing	pct_missing
X1	0	0.000000
X2	3	0.200000
X3	0	0.000000
X4	3	0.200000
X5	1	0.066667
X6	0	0.000000
X7	1	0.066667
X8	1	0.066667
X9	0	0.000000
X10	2	0.133333
X11	2	0.133333
X12	1	0.066667
X13	1	0.066667
X14	0	0.000000
X15	0	0.000000
Y	0	0.000000

df_class.shape

(1500, 16)

df_class = df_class.dropna()

df_class.shape

(1485, 16)

# Distribuciones univariadas de variables numéricas
num_cols_class = df_class.select_dtypes(include=[np.number]).columns
df_class[num_cols_class].hist(bins=20, figsize=(10, 8))
plt.tight_layout()
plt.show()

for col in [c for c in num_cols_class.to_list() if c != "Y"]:
    plt.figure()
    plt.scatter(df_class[col], df_class["Y"], alpha=0.6)
    plt.title(f"Y vs {col}")
    plt.xlabel(col)
    plt.ylabel("Y")
    plt.show()

from pandas.plotting import scatter_matrix

# Variables numéricas y clase+

numeric_cols_class = num_cols_class.drop("Y")
class_vals = df_class["Y"]

# Scatter matrix
import seaborn as sns

sns.pairplot(
    df_class[numeric_cols_class.tolist() + ["Y"]],
    hue="Y",
    diag_kind="hist",
    palette="Set1",
    plot_kws={"alpha": 0.6, "marker": "o"},
)
plt.suptitle("Pairplot de Variables Numéricas coloreado por Class", y=1.02, fontsize=16)
plt.show()

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

corr = df_class[numeric_cols_class.tolist() + ["Y"]].corr()


sns.set_theme(style="white")

mask = np.triu(np.ones_like(corr, dtype=bool))

n = corr.shape[0]
fig, ax = plt.subplots(figsize=(1.2 * n, 1.2 * n))

sns.heatmap(
    corr,
    mask=mask,
    annot=True,
    fmt=".2f",
    cmap="RdBu_r",
    center=0,
    linewidths=1.0,  # líneas más gruesas entre celdas
    square=True,  # celdas cuadradas
    annot_kws={"size": 8},  # texto más pequeño
    cbar_kws={"shrink": 0.6, "label": "Correlación"},
    vmin=-1,
    vmax=1,
    ax=ax,
)

ax.set_xticklabels(ax.get_xticklabels(), rotation=45, ha="right", fontsize=10)
ax.set_yticklabels(ax.get_yticklabels(), rotation=0, fontsize=10)

plt.subplots_adjust(bottom=0.3, left=0.2, top=0.9)

ax.set_title("Mapa de Calor de Correlaciones", fontsize=18, pad=20)

plt.show()

Regression

# Cargar el dataset
df_reg = pd.read_csv("../data/regression.csv")

# Dimensiones del dataset
df_reg.shape

(1500, 13)

df_reg.dtypes

X1     float64
X2     float64
X3     float64
X4     float64
X5     float64
X6     float64
X7     float64
X8     float64
X9     float64
X10    float64
X11    float64
X12    float64
Y      float64
dtype: object

# Primeras filas
df_reg.head()

	X1	X2	X3	X4	X5	X6	X7	X8	X9	X10	X11	X12	Y
0	5468.737967	1.703822	-8613.627601	0.284719	-1.585462	-0.554724	-1.023031	-0.632593	-73183.99886	-0.119020	-0.801916	0.189757	-126.781682
1	-13104.449210	-1.019682	23061.174510	-0.820498	-0.265240	2.099421	-0.316338	-0.302272	-327842.82340	-0.315072	-1.925923	-0.687342	-166.589518
2	6204.272157	0.734018	133965.765100	-0.710429	0.574379	0.511245	0.298126	0.121694	120237.04040	0.892858	-0.474257	0.172296	171.818818
3	23979.672370	-1.777481	45514.777250	-0.148987	-0.006399	0.464724	0.356851	0.770954	-121603.94100	0.507455	0.673496	1.116824	111.490780
4	-2390.952073	-2.418137	47102.194950	0.384587	0.359033	0.178320	-1.063040	0.995341	139065.42410	1.572357	0.334709	-0.403581	138.329869

# Información del DataFrame
df_reg.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1500 entries, 0 to 1499
Data columns (total 13 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   X1      1499 non-null   float64
 1   X2      1500 non-null   float64
 2   X3      1495 non-null   float64
 3   X4      1497 non-null   float64
 4   X5      1495 non-null   float64
 5   X6      1498 non-null   float64
 6   X7      1499 non-null   float64
 7   X8      1498 non-null   float64
 8   X9      1500 non-null   float64
 9   X10     1496 non-null   float64
 10  X11     1498 non-null   float64
 11  X12     1499 non-null   float64
 12  Y       1499 non-null   float64
dtypes: float64(13)
memory usage: 152.5 KB

# Estadísticas descriptivas (numéricas)
df_reg.describe()

	X1	X2	X3	X4	X5	X6	X7	X8	X9	X10	X11	X12	Y
count	1499.000000	1500.000000	1495.000000	1497.000000	1495.000000	1498.000000	1499.000000	1498.000000	1500.000000	1496.000000	1498.000000	1499.000000	1499.000000
mean	-298.970046	-0.000182	2505.655649	0.019644	-0.037554	-0.012483	-0.003856	0.028775	596.758217	0.012900	-0.040321	0.010624	-2.976044
std	12664.656465	1.036299	95364.185732	1.017798	0.975190	1.016689	0.964161	0.993368	233211.825271	0.999814	0.997520	0.978725	143.364341
min	-39838.521840	-3.710679	-336700.253400	-2.796599	-3.282985	-3.922695	-3.147417	-4.011049	-835370.363300	-3.126188	-2.937315	-2.716798	-519.074640
25%	-9433.010398	-0.677534	-60485.305915	-0.694018	-0.698821	-0.683112	-0.665480	-0.640609	-157687.903625	-0.686014	-0.692837	-0.678441	-99.192382
50%	-496.180129	0.021941	1748.071119	0.027749	-0.034482	-0.041862	-0.044291	0.027252	-1684.769781	-0.013111	-0.046213	0.031184	-1.531002
75%	8318.518644	0.705290	70803.472755	0.728685	0.615946	0.675086	0.613501	0.727090	163646.360200	0.701604	0.604628	0.676063	92.533762
max	44114.014510	3.156200	312030.703900	3.344649	3.515152	3.038999	3.041686	3.508867	854211.627100	3.218559	3.808566	3.529275	482.853143

# Resumen de valores faltantes
missing_summary = df_reg.isnull().sum().to_frame(name="n_missing")
missing_summary["pct_missing"] = missing_summary["n_missing"] / len(df_reg) * 100
print("\nResumen de valores faltantes:")
missing_summary

Resumen de valores faltantes:

	n_missing	pct_missing
X1	1	0.066667
X2	0	0.000000
X3	5	0.333333
X4	3	0.200000
X5	5	0.333333
X6	2	0.133333
X7	1	0.066667
X8	2	0.133333
X9	0	0.000000
X10	4	0.266667
X11	2	0.133333
X12	1	0.066667
Y	1	0.066667

df_reg.shape

(1500, 13)

df_reg = df_reg.dropna()

df_reg.shape

(1473, 13)

# Distribuciones univariadas de variables numéricas
num_cols_reg = df_reg.select_dtypes(include=[np.number]).columns
df_reg[num_cols_reg].hist(bins=20, figsize=(10, 8))
plt.tight_layout()
plt.show()

from pandas.plotting import scatter_matrix

# Variables numéricas y clase+

numeric_cols_reg = num_cols_reg.drop("Y")
reg_vals = df_reg["Y"]

import matplotlib.pyplot as plt
import seaborn as sns

# Preparar la figura con subplots: uno por cada predictor
n_feats = len(numeric_cols_reg)
fig, axes = plt.subplots(n_feats, 1, figsize=(7, 4 * n_feats))

for ax, feat in zip(axes, numeric_cols_reg):
    sns.regplot(
        x=feat,
        y="Y",
        data=df_reg,
        ax=ax,
        scatter_kws={"alpha": 0.5, "s": 20},
        line_kws={"color": "red"},
    )
    ax.set_title(f"{feat} vs Y")
    ax.set_xlabel(feat)
    ax.set_ylabel("Y")

plt.tight_layout()
plt.show()

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

corr = df_reg[numeric_cols_reg.tolist() + ["Y"]].corr()


sns.set_theme(style="white")

mask = np.triu(np.ones_like(corr, dtype=bool))

n = corr.shape[0]
fig, ax = plt.subplots(figsize=(1.2 * n, 1.2 * n))

sns.heatmap(
    corr,
    mask=mask,
    annot=True,
    fmt=".2f",
    cmap="RdBu_r",
    center=0,
    linewidths=1.0,  # líneas más gruesas entre celdas
    square=True,  # celdas cuadradas
    annot_kws={"size": 8},  # texto más pequeño
    cbar_kws={"shrink": 0.6, "label": "Correlación"},
    vmin=-1,
    vmax=1,
    ax=ax,
)

ax.set_xticklabels(ax.get_xticklabels(), rotation=45, ha="right", fontsize=10)
ax.set_yticklabels(ax.get_yticklabels(), rotation=0, fontsize=10)

plt.subplots_adjust(bottom=0.3, left=0.2, top=0.9)

ax.set_title("Mapa de Calor de Correlaciones", fontsize=18, pad=20)

plt.show()

Comments

Classification

• El dataset tiene: 1.500 observaciones y 16 columnas (15 numéricas y 1 categórica de clase Y). Las variables X1–X15 son float y Y es int con valores {0,1,2}
• Menos del 1% de datos faltantes en 8 de las 15 variables (máx. 3 filas en X2/X4), representando sólo ~15 muestras; tras eliminar nulos quedan 1,485 filas.
• Percentiles 25, 50 y 75 en 0,1,2 nos indican clases equilibradas (~500 ejemplos por clase).
• Medias centradas cerca de cero, desviaciones estándar en rango 3–8.
• Casi todas las Xi presentan tres picos (formas multimodales) bien definidos en sus histogramas, lo que podrían ser agrupamientos alineados con las tres clases.
• Variables como X1, X13 o X14 muestran 3 grupos marcados.
• Los scatterplots de Y vs X1, X8, X13 nos confirman agrupamientos clasificables por rangos de cada variable.
• En el pairplot, la mayoría de pares de variables muestran tres nubes separadas.
• En el mapa de calor de correlaciones se aprecian múltiples pares con valores muy fuertes $|ρ|>0.9$. La variable Y se correlaciona positivamente con X6 (+0.96), X7 (+0.93) y negativamente con X13 (–0.98).
• Multicolinealidad: Alta redundancia entre características (varias parejas >0.9), se podrían usar técnicas de selección o reducción de dimensión para evitar sobreajuste.

Regression

• El dataset contiene 1 473 observaciones y 13 columnas — 12 predictoras (X1-X12, float) y la variable objetivo Y (float).
• Menos del 2% de datos faltantes repartidos en varias Xi; tras eliminar nulos se conservan las 1 473 filas (pérdida ≈ 1,8%).
• Varias de las variables parecieran seguir distribuciones normales centradas en 0.
• X1, X3, X9 presentan rangos mucho más grandes y colas pesadas.
• Desviaciones estándar distintas y distantes en X1 (~ 12 665), X3 (~ 95 364) y X9 (~ 233 212) frente a ≈ 1 en el resto, podría considerarse escalado para aquellos modelos en los que impacte esto.
• No existe correlación con Y, la mayoría de Xi muestra $ρ≈ 0$.
• Los puntos del scatter plot no siguen un patrón claro y están muy dispersos alrededor de la línea roja (recta de regresión).
• Multicolinealidad mínima: coeficientes Xi-Xj muy bajos (|ρ| < 0,06), por lo que las variables son prácticamente independientes.